OPUS in WAV umwandeln

Ein über eine Diktier-App oder direkt im Browser aufgenommenes Interview für eine Recherche landet fast immer als Opus-Datei vor, denn genau dieser Codec ist für Sprachübertragung im Web Pflicht. Für die anschließende Transkription verlangt die eingesetzte Software fast immer WAV, nicht Opus.

Bei einem vertraulichen Gespräch — mit einer Quelle, in einer laufenden Recherche, unter presserechtlichem Informantenschutz — ist die Frage, wohin die Aufnahme für diesen Zwischenschritt geschickt wird, keine Nebensache. Ein Umweg über einen amerikanischen Cloud-Dienst nur zur Formatumwandlung widerspricht dem eigentlichen Schutzbedürfnis der Aufnahme.

Das ist der wichtigste Fakt vor allem anderen: Opus arbeitet auf einer festen 48.000-Hz-Taktrate — ein Decoder meldet 48 kHz, unabhängig davon, mit welcher Rate ursprünglich aufgenommen wurde. Die WAV-Datei aus dieser Umwandlung liegt also bei 48 kHz, selbst wenn die zugrunde liegende Sprachnachricht deutlich enger aufgenommen wurde.

Fast jedes deutschsprachige Whisper-Modell erwartet 16.000 Hz. Whisper selbst tastet intern um, ebenso `torchaudio` und `librosa` beim Laden. Der Fehler zeigt sich dann nicht als Rauschen, sondern als Stille oder Unsinn: Eine Pipeline, die 16 kHz annimmt und ungeprüft eine 48-kHz-Datei einliest, liefert ein plausibel aussehendes und dennoch falsches Ergebnis. Den Header zu prüfen oder ausdrücklich umzutasten behebt das.

Eine WAV-Datei beschreibt sich selbst. Der erste Block nennt Format, Kanalzahl, Abtastrate und Bittiefe, danach folgen die reinen Samples. Zum Lesen braucht es keinen Codec — das `wave`-Modul der Python-Standardbibliothek öffnet eine WAV-Datei ohne jede zusätzliche Bibliothek, für Opus ist das nicht der Fall.

Eine Redaktions- oder Forschungssoftware, die auf WAV besteht, will damit genau dieser Abhängigkeit ausweichen — libopus einzubinden ist ein zusätzlicher Build-Schritt und eine zusätzliche Fehlerquelle. Die eigene Aufnahme ist deshalb nicht ungeeignet, nur die Ladefunktion auf der anderen Seite eng geschrieben.

Das gehört klar gesagt, weil die Erwartung häufig ist: Opus hat bereits komprimiert und dabei entschieden, was hörbar unwichtig ist; die WAV-Datei enthält genau das Übriggebliebene in voller Breite. Wie gut eine Transkription am Ende wird, entscheidet der Aufnahmeraum, das Mikrofon und die gewählte Bitrate der App — nicht der Container, in dem die Datei danach vorliegt.

Ein Fall, in dem die Umwandlung tatsächlich hilft, ist der, den sie verhindert: Wäre die Alternative gewesen, die Aufnahme zuerst als MP3 zu exportieren, um dasselbe Upload-Formular zu bedienen, käme eine zweite verlustbehaftete Kompressionsrunde auf ohnehin knapp kodierte Sprache hinzu. WAV fügt nichts hinzu und nimmt nichts weg, was für einen Zwischenschritt genau die richtige Eigenschaft ist.

Opus ist bei Sprache außerordentlich effizient, und genau das macht das Verhältnis danach so drastisch. Eine einkanalige Sprachaufnahme liegt bei etwa 16 bis 32 kbit/s, zwei Minuten sind also rund 300 Kilobyte groß. Dieselben zwei Minuten als 16-Bit-PCM bei 48.000 Hz sind rund 11,5 Megabyte — das Dreißig- bis Vierzigfache, ohne dass ein einziges zusätzliches Detail dazukommt.

Für ein einzelnes Interview ist das ohne Bedeutung. Bei einem Archiv aus vierzig Gesprächen für eine größere Recherche entscheidet dieser Faktor darüber, ob der Datensatz noch bequem auf die vorgesehene Festplatte passt, und es lohnt sich, in Gruppen zu konvertieren statt alles auf einmal.

WhatsApp- und Telegram-Sprachnachrichten, Aufnahmen aus Signal, aus einem browserbasierten Diktiertool oder aus einer Videokonferenz — überall dort, wo Opus als Pflicht-Codec für Sprachübertragung im Web zum Einsatz kommt, landet am Ende eine `.opus`-Datei, meist ohne dass jemand die Wahl bewusst getroffen hat.

Für eine journalistische oder wissenschaftliche Auswertung heißt das: Die Materialien sind kurz, oft einkanalig und in Alltagsumgebungen mit wenig Raumakustik aufgenommen, und sie kommen häufig in größerer Zahl herein, benannt nach Zeitstempeln ohne weitere Angabe — was die Namenskonvention beim Konvertieren ebenso wichtig macht wie die Audioeinstellung selbst.

Die Ausgabe ist vorzeichenbehaftetes 16-Bit-PCM in Little-Endian-Anordnung — die Bittiefe, die praktisch jede Standardfunktion voraussetzt, etwa das, was `scipy.io.wavfile.read` ohne weitere Angabe als `int16`-Array zurückgibt.

Eine einkanalige Sprachnachricht bleibt einkanalig, was der richtige Ausgang ist: Ein zweites, dupliziertes Tonspur-Kanal würde die Datei nur verdoppeln, ohne irgendetwas hinzuzufügen, und die meisten Sprachmodelle mischen ohnehin beim Laden auf einen Kanal herunter.

Ogg-Opus trägt einen Vorlaufwert, der einem Decoder sagt, wie viele Samples am Anfang des Stroms reines Encoder-Priming sind und verworfen werden sollen — deshalb beginnt eine Aufnahme sauber statt mit einem Klicken, und dieser Wert wird beim Decodieren berücksichtigt.

Was eine WAV-Datei nicht tragen kann, ist diese Buchführung selbst — sie hat nur einen Anfang und eine Länge. Für ein reines Transkript spielt das keine Rolle. Wichtig wird es erst, wenn eine Aufnahme später gegen eine zweite Tonquelle oder ein Video ausgerichtet werden soll — das gehört dann nach der Umwandlung anhand eines gemeinsamen Referenzpunkts im Ton gemacht.

Der Opus-Decoder des Browsers, derselbe, den er ohnehin für Anrufe mitbringt, decodiert die Aufnahme, und die WAV-Datei ist ein RIFF-Header um die entstehenden Samples herum. Es wird kein Encoder nachgeladen und keine Anfrage sendet die Audiodaten irgendwohin — das lässt sich im Netzwerktab der Entwicklertools während einer Umwandlung nachvollziehen, statt es glauben zu müssen.

Für Interviewaufnahmen, klinische Gespräche oder Forschungsdaten unter einer Einverständniserklärung ist das kein Komfortmerkmal, sondern die Voraussetzung dafür, das Material überhaupt digital weiterzuverarbeiten, ohne die zugesagte Vertraulichkeit zu brechen.

Bis zu hundert Dateien lassen sich gleichzeitig ablegen, jede bis 100 MB — für eine einzelne Sprachaufnahme großzügig bemessen —, und das Ergebnis kommt als ZIP zurück.

Bei größeren Beständen zählt eher die Summe als die Einzeldatei: Vierhundert zweiminütige Aufnahmen sind als Opus rund 120 MB, als WAV dagegen etwa 4,5 Gigabyte. In Gruppen von fünfzig oder hundert zu konvertieren, die Gruppe der Transkriptionssoftware zu übergeben und die entstandenen WAV-Dateien danach wieder zu löschen, ist der pragmatische Weg — sie sind ein Zwischenschritt, die Opus-Originale sind es, was aufgehoben werden sollte.